Log

2022.08.23开个新坑，尽快做完，学习的视频：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】
2022.08.28继续学习
2022.08.29继续学习，文章内容是对视频教程的记录和扩充，总结了其他必要的知识点以及个人遇到的问题和相关的解决方案
2022.08.30继续学习，准备工作就作为单独的一篇吧，和后面的理论应用知识分开

一、安装 PyTorch 所需软件

1. Conda 安装

• $\mathrm{Conda}$ 是一个开源的软件包管理系统和环境管理系统，用于安装多个版本的软件包及其依赖关系，并在它们之间轻松切换。
• $\mathrm{Conda}$ 分为 $\mathrm{Anaconda}$ 和 $\mathrm{Miniconda}$， $\mathrm{Anaconda}$ 是包含一些常用包的版本， $\mathrm{Miniconda}$ 则是精简版，需要什么包就安装什么。

① Anaconda 安装

• 官方网站：www.anaconda.com
• 如果下载慢可以到清华大学开源软件镜像站进行下载安装，参考教程：pytorch快速安装【清华源】
• 历史版本收录：repo.anaconda.com
• $\mathrm{Anaconda}$ 可以看做是集成了大量 $\mathrm{package}$ 的软件，可以有效避免自己在添加一些数学库时产生的错误。
• 在开始菜单打开 $\mathrm{Anaconda}\mathrm{Prompt}$，如果可以在命令行窗口看到左侧的 $（\mathrm{base}）$ 则代表安装成功。

② Miniconda 安装

• 下载网址：Miniconda - conda documentation
• 安装完成后需要配置环境变量，将安装目录中的Script路径添加到PATH中；
• 命令行中输入：conda info，检测是否配置成功。

3. CUDA 安装

① CUDA 安装

• 下载网址：​​​​​kCUDA Toolkit Archive | NVIDIA Developer
• 参考教程：CUDA安装教程（超详细）
• 验证是否安装成功可以在命令行中输入nvcc --version 查看版本号。

② cuDNN 安装

• 安装完 $\mathrm{CUDA}$ 后还需要安装 $\mathrm{cuDNN}$，它是 $\mathrm{CUDA}$ 的一个补丁，专为深度学习运算进行优化的。
• 下载链接：cuDNN Download | NVIDIA Developer（需要注册账号）

③ 遇到的问题

• 遇到的相关问题：CUDA driver version is insufficient for CUDA runtime version
• 没有英伟达驱动的到这里安装：官方驱动 | NVIDIA
• 如果安装的驱动与电脑不兼容（下图），可以到这里下载：Official Advanced Driver Search | NVIDIA
  
• 遇到的相关问题：Win10任务管理器中不显示GPU显卡的解决方法
• 尝试教程中的方法，但是并未解决该问题，后来查询得知：如果 $WIN10$ 版本号是低于 $1709$ 的话就看不到的 $\mathrm{GPU}$ 的使用情况。
• 查看版本号的方法：设置 → 系统 → 关于
• 打开微软官方网址，下载更新工具并更新系统。
• 如果还没解决的话那就换一个思路，用 $\mathrm{CPU}$ 跑或者使用 $\mathrm{Colab}$ 上的 $\mathrm{GPU}$ 服务，这里就不做过多介绍了。
• 参考文章： [译] Google Colab 免费 GPU 使用教程

4. 修改 pip 配置

• 在 $\mathrm{C}$ 盘当前 $\mathrm{User}$ 用户目录下创建 $pip.ini$ 文件，更改 $\mathrm{pip}$ 为清华源的镜像：
  index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host = pypi.tuna.tsinghua.edu.cn

5. PyTorch 安装

• 在官网选择相关的配置进行安装：Start Locally | PyTorch
• 执行选好的配置对应的指令即可进行安装：
  
• 检测是否安装成功：在 $\mathrm{Python}$ 中输入import torch，不报错则代表安装成功，调用torch.cuda.is_available()函数，如果返回True则代表 $\mathrm{PyTorch}$ 可以使用 $\mathrm{GPU}$。
• 使用dir()函数可以查看package中有哪些细分的区域，例如：dir(torch)
• 使用help()函数可以查看函数的详细内容，例如：help(torch.cuda.is_available)（注意此处的函数不加括号，加括号时代表调用）。

二、用到的编译器

1. Pycharm

• 因为之前已经在用 $\mathrm{Pycharm}$ 了，所以安装教程略。
• 下载官网：JetBrains | Pycharm
• BTW，如果是学生的话可以免费申请教育版。

2. Jupyter

• $\mathrm{Jupyter}$ 是可以进行交互的 $\mathrm{Python}$，因为安装很简单，所以也不做教程记录。
• 安装官网：Jupyter | Home

3. 二者的对比

• 如果说代码是以一个块为单位运行的话，那么在 $\mathrm{Pycharm}$ 中，$\mathrm{Python}$ 文件的块是所有行的代码，即，如果我们的代码存在错误，那么改正之后再运行会把整个文件从头到尾重新执行一遍。优点是通用、传播方便，适用于大型项目；缺点是需要从头运行。
• 如果是在控制台中进行代码的编写与执行，那么程序是以每一行为单位运行的，遇到问题就可以进行修改，之前没有问题的代码也不会重新被执行一遍（实际上也可以以任意行为块来运行，当写完一行代码，按shift+enter即可接着编写下一行代码）。优点是可以显示每个变量的属性；缺点是不利于代码的阅读和修改，多用于代码的调试。
• 在 $\mathrm{Jupyter}$ 中，程序可以以任意块运行，块的大小可以自行决定（就和ipynb一样，实际上 $\mathrm{Pycharm}$ 中也可以运行.ipynb类型的文件）。优点是利于代码的阅读和修改，缺点是环境需要配置。

总结

• 本篇文章主要介绍了在使用 $\mathrm{Pytorch}$ 之前需要进行的准备工作，包括 $\mathrm{conda}$ 和 $\mathrm{CUDA}$ 的安装，以及用到的编译器及其各自的特点等内容。